A preliminary study on exploring the critical success factors for developing COVID-19 preventive strategy with an economy centric approach
Notice bibliographique
Résumé
Purpose In the wake of COVID-19, most of the countries at present, are in a dilemma whether to extend lockdown at the cost of economy or to improve the hard-hit economy by lifting the lockdown. It is indicated by the reputed organizations and medical fraternity that corona will stay here for a longer period contrary to the earlier assumptions. Hence the purpose of this study is to suggest a strategy which balances both preventive measures and economic losses to control the pandemic. Design/methodology/approach There is a need for the identification of the critical success factors (CSFs) for developing COVID-19 preventive strategies to control the pandemic with an economy-centric approach. Findings The six CSFs identified are “Effective communication”, “Social distancing”, “Adopting new technology”, “Modify the rules and regulation at workplace”, “Sealing the borders of the territory” and “Strong leadership and government control”. Research limitations/implications The study has a vital contribution to literature as no previous study has identified CSFs for developing COVID-19 preventive strategies while focusing on the economy. Practical implications Further, these identified CSFs are helpful in medium and longer-term planning which is required to rebalance and re-energize the economy following this epidemic crisis. Originality/value The study has given a model that depicts the cause and influence relationship between the key factors in the system under question. The importance of study increases many fold, as resources are limited and the outcome of the study could be used to channelize the resources effectively.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».